复盘驱动的知识沉淀
为什么复盘是知识沉淀的核心引擎
大多数团队的经验教训停留在"口头说说"的层面，缺乏结构化的提取和沉淀。AI 可以在复盘中扮演关键角色——自动分析变更记录、提取模式、生成结构化的经验总结。
双触发复盘机制
复盘不应该只在项目结束时才做，而是贯穿在日常工作中。
触发方式一：AI 主动发起
当 AI 检测到以下信号时，主动建议进行复盘：
- 同一需求经历了多次修改
- 某个交互模式被反复使用
- 发现了与现有规范冲突的做法
- 一段时间内没有进行过复盘
AI："我注意到这个列表筛选的交互模式在最近 3 个需求中都出现了，
建议将其沉淀到交互模式库中。需要我生成一份模式描述吗？"触发方式二：人工主动发起
PM 在以下时机主动发起复盘：
- 需求上线后
- 遇到重大设计决策后
- Sprint 结束时
- 发现重复性问题时
复盘流程
触发复盘
↓
AI 自动读取 Changelog 和相关文档
↓
AI 生成复盘草稿（决策回顾、模式识别、改进建议）
↓
PM 审核和补充
↓
提取知识条目（设计原则、交互模式等）
↓
写入知识库
↓
更新相关规范（如有必要）复盘模板
markdown
## 复盘记录
### 基本信息
- 需求名称：
- 需求编号：
- 复盘日期：
- 参与人员：
### 决策矩阵
| 决策 | 当时的理由 | 实际结果 | 反思 |
|------|-----------|----------|------|
| ... | ... | ... | ... |
### 知识提取
#### 可沉淀的设计原则
- [ ] 原则描述：
- [ ] 来源案例：
- [ ] 建议入库？
#### 可沉淀的交互模式
- [ ] 模式描述：
- [ ] 触发条件：
- [ ] 建议入库？
### 知识库更新建议
| 操作 | 目标模块 | 具体内容 |
|------|----------|----------|
| 新增/修订/删除 | 设计原则库/交互模式库/... | ... |
### 改进项
| 改进点 | 优先级 | 负责人 | 截止日期 |
|--------|--------|--------|----------|
| ... | 高/中/低 | ... | ... |AI 在复盘中的角色
AI 擅长做的
- 变更分析：自动梳理 Changelog，识别变更模式
- 模式识别：发现重复出现的交互模式和设计决策
- 格式化输出：按模板生成结构化的复盘文档
- 知识关联：将新发现与现有知识库条目关联
AI 不擅长做的
- 价值判断：哪些经验值得沉淀，需要人来决定
- 业务洞察：为什么这样做更好，需要业务视角
- 团队共识：复盘结论需要团队讨论确认
- 优先级排序：改进项的优先级需要综合考量
从复盘到知识飞轮
产品设计 → 产出交付物 → 触发复盘 → 提取知识
↑ ↓
←── AI 基于更丰富的知识库辅助设计 ←──←每一次复盘都在充实知识库，而更丰富的知识库又能让 AI 在下一次设计中表现更好。这就是 AI Native 工作方式的复利效应。
实践建议
- 从小处开始：不必等到项目结束，一个小需求做完就可以快速复盘
- 降低门槛：利用 AI 自动生成复盘草稿，减少人工工作量
- 坚持入库：每次复盘至少产出一条知识库更新
- 定期审查：每月审查知识库，清理过时内容，确保质量
参考
- vigorX777/product-design-system — 实现了完整的复盘和知识沉淀机制